caffe网络模型各层详解(中文版)题材.doc

一.数据层及参数 要运行caffe，需要先创建一个模型（model)，如比较常用的Lenet,Alex等， 而一个模型由多个屋（layer）构成，每一屋又由许多参数组成。所有的参数都定义在to这个文件中。要熟练使用caffe，最重要的就是学会配置文件（prototxt）的编写。 层有很多种类型，比如Data,Convolution,Pooling等，层之间的数据流动是以Blobs的方式进行。 今天我们就先介绍一下数据层. 数据层是每个模型的最底层，是模型的入口，不仅提供数据的输入，也提供数据从Blobs转换成别的格式进行保存输出。通常数据的预处理（如减去均值, 放大缩小, 裁剪和镜像等），也在这一层设置参数实现。 数据来源可以来自高效的数据库（如LevelDB和LMDB），也可以直接来自于内存。如果不是很注重效率的话，数据也可来自磁盘的hdf5文件和图片格式文件。 所有的数据层的都具有的公用参数：先看示例 layer { name: cifar type: Data top: data top: label include { phase: TRAIN } transform_param { mean_file: examples/cifar10/mean.binaryproto } data_param { source: examples/cifar10/cifar10_train_lmdb batch_size: 100 backend: LMDB } } name: 表示该层的名称，可随意取 type: 层类型，如果是Data，表示数据来源于LevelDB或LMDB。根据数据的来源不同，数据层的类型也不同（后面会详细阐述）。一般在练习的时候，我们都是采用的LevelDB或LMDB数据，因此层类型设置为Data。 top或bottom: 每一层用bottom来输入数据，用top来输出数据。如果只有top没有bottom，则此层只有输出，没有输入。反之亦然。如果有多个 top或多个bottom，表示有多个blobs数据的输入和输出。 data 与 label: 在数据层中，至少有一个命名为data的top。如果有第二个top，一般命名为label。 这种(data,label)配对是分类模型所必需的。 include: 一般训练的时候和测试的时候，模型的层是不一样的。该层（layer）是属于训练阶段的层，还是属于测试阶段的层，需要用include来指定。如果没有include参数，则表示该层既在训练模型中，又在测试模型中。 Transformations: 数据的预处理，可以将数据变换到定义的范围内。如设置scale为0实际上就是1/255, 即将输入数据由0-255归一化到0-1之?? 其它的数据预处理也在这个地方设置： transform_param { scale: 0 mean_file_size: examples/cifar10/mean.binaryproto # 用一个配置文件来进行均值操作 mirror: 1 # 1表示开启镜像，0表示关闭，也可用ture和false来表示 # 剪裁一个 227*227的图块，在训练阶段随机剪裁，在测试阶段从中间裁剪 crop_size: 227 } 数据来自于数据库（如LevelDB和LMDB） 层类型（layer type）:Data 必须设置的参数： source: 包含数据库的目录名称，如examples/mnist/mnist_train_lmdb batch_size: 每次处理的数据个数，如64 可选的参数： rand_skip: 在开始的时候，路过某个数据的输入。通常对异步的SGD很有用。 backend: 选择是采用LevelDB还是LMDB, 默认是LevelDB. 示例： layer { name: mnist type: Data top: data top: label include { phase: TRAIN } transform_param { scale: 0 } data_param { source: examples/mnist/mnist_train_lmdb batch_size: 64 backend: LMDB } } 2、数据来自于内存 层类型：MemoryData 必须设置的参数： batch_size：每一次处理的数据个数，比如2